Melse

懒，很懒，非常懒

[Melse @MelseCoding]

只能说鸿蒙发展速度慢就是缺少deepseek这样的合作伙伴。原本鸿蒙对行业多一个选择是好事，就是开发成本落在客户公司身上让人不好接受。

[铁锤人 @lxfater]

牛逼了，本该华为干的活，DeepSeek 先干了 😂

DeepSeek 刚刚开源了一整套昇腾版基础组件

跟之前给英伟达开源的那套一一对应：

- TileLang 昇腾版：把 Ascend C 底层指令包了一层，用高级语言就能写算子，不用再啃底层
- DeepGEMM：矩阵乘加速
- DeepEP：大规模跨卡通信
- TileKernels：常规向量计算和访存算子
- FlashMLA：稀疏注意力，长上下文跑得更快
- DeepSelect：高效数据筛选

这还不是最狠的，官方说 DeepSeek 训练里用到的每一个 TileLang 算子，昇腾上都有对应的高性能实现！！
而且官方测下来，多项关键测试的性能已经接近硬件上限

其实国产卡一直卡的不只是算力，还有软件生态
英伟达就靠CUDA 能统治这么多年

基建开源出来，真牛逼

链接放评论区了👇

[Melse @MelseCoding]

@0427SMtieshou 发几场消费券就上去了，只允许在线上(非online)企业核销😂

[Melse @MelseCoding]

@wanxubo 不继续付费，重置卡也会用不了，所以这不是补偿

[Melse @MelseCoding]

May i ask where are the reset cards? 尤记得当初200块支持GLM，结果卡成狗，后来GLM扛不住压力反现一半至账户余额，但我已放弃续费。半年后原本以为GLM应该会有点长进，随重试并推荐之，结果唉，还是原来那样，这根本就不是能力问题，一直都不是能力问题。不会再试了，mark my word! Bye GLM!

[Zixuan Li @ZixuanLi_]

All GLM Coding Plan users have received 4 weekly reset cards and 4 five-hour reset cards (usable in all supported agents).

Users returning within the next month will receive the same benefits.

[Melse @MelseCoding]

@chunxiangai 老实说我想到了另一根东西

[Melse @MelseCoding]

@justsisyphus @realsigridjin @opencode 非常喜欢你们的设计方向，但是真的太烧token了😂

[Three.js @threejs]

👨‍💻 https://t.co/J7sKfJQY3E

[Melse @MelseCoding]

@tuge114514 这是在一个真实系统上的案例，因为要接多套系统，我们通过两种方式来控制（根据三方系统的实现方式选择，这种事还是看人家配合度）：
- 带有scope的api_key
- 基于oauth的code作为header或tool schema中的token字段回传MCP

[Melse @MelseCoding]

依然是目前最理想的通用外部接口协议，如一套agent系统需要接入三方系统的能力，使用MCP依然是侵入性最小的方案。

[iwashi / Yoshimasa Iwase @iwashi86]

MCPは今やそんなにいらないよ、って話だった。

・MCPは2024年11月にAnthropic社が公開した外部接続規格である
・当時はモデルの推論能力が低く、エージェントの自律動作も不安定だった
・普及に伴い、ツール定義で枠を圧迫するコンテキスト肥大化も発生していた

・もちろん肥大化を防ぐラッパーなど、MCP周辺に大掛かりな仕組みが作られてきた
・しかし、その間にモデル側の推論やコード実行能力が大幅に進化した
・今のLLMはスクリプトを自作する
・で、未知のAPIでも直接叩くことが可能になった

・さらに、モデル自身が--helpコマンドを参照してCLIの操作法を把握できる
・既存のAPIやCLIをラップしただけのMCPサーバーはもはや不要
・ターミナルを扱えるエージェントなら、直接APIを叩く方がはるかに柔軟

・ここまでを踏まえると、大半のMCPサーバーは削除してよいのではないか
・独自の専用規格ではなく、既存のHTTP APIや標準的な仕組みを使った方が良い
・例えばAccept: text/markdownヘッダーを使った取得などの動きもある
・MCPはモデルが賢くなかった時代の産物
・そろそろ役目を終えてもいいのでは

https://t.co/U71tBc3RI6

[Melse @MelseCoding]

精彩的不是这条本身，建议看看里面的评论👍

[がりれお @galileo_fun]

友人の子ども(15)から��問

子「サハラ砂漠って何も無いんだから、ソーラーパネルにすればよくない?」
私「それ検討した人いるよ」

子「マジで？どうなったの？」
私「世界のエネルギー需要の18倍を発電できる計算になった。でも、同時に恐ろしいことも分かったんだ」

子「なに？」
私「それはね…

[Melse @MelseCoding]

我也发现了，deepseek-v4.1-flash根本没法做主模型进行对话，只能当作worker，不然各种黑话，各种字典里不存在的词汇。我现在看到Deepseek的回复需要先反向翻译其原本英文输出什么，才‘有可能’理解它的意思

[LinearUncle @LinearUncle]

意外发现小米罗福莉的 mimo-v2.6-pro，拿它写写短文、润色推文，笔风出乎意料地好，中文表达很地道。

比deepseek-flash 鬼畜机器风好很多。

[Melse @MelseCoding]

@Grafffffin 欢迎再来，邻居

[Melse @MelseCoding]

真是非常好的思路，同时还能避免因为审其它人的PR浪费时间，而且其它人的PR中存在大量原子化commit的话也会存在提交记录的沟通问题。

[思维怪怪 @0xLogicrw]

Kimi CLI 前作者 Richard Qian 创立的 Agent 协作平台 Raft 公开了源码，但暂时不接受外部 Pull Request，也没有公开内部 commit history。公开的 GitHub 仓库只是 release mirror，实际开发仍在私有仓库进行，每个版本发布时再同步一份完整代码快照。

Raft 团队认为，Coding Agent 已经让写代码变得太便宜。生成一个看起来合理的 patch 很容易，��次生成十个也不难，但维护者理解、验证和审查这些代码仍然要花大量时间。很多时候，维护者看完别人用 Agent 生成的代码，还不如直接让自己的 Agent 按需求重新实现。

他们因此想探索一种「Prompt Request」模式。贡献者以后不一定直接提交代码，而是先说明要解决什么问题、为什么值得做、有哪些约束和取舍，再由维护者和 Agent 决定如何实现。这套机制目前还没有正式开放，Raft 的 GitHub PR 和 Issue 都处于关闭状态。

Raft 还质疑了传统 commit history 的价值。团队认为，Agent 参与开发后，比起记录每一次代码改动，为什么要改、尝试过什么方案、Agent 发现了什么问题，这些「决策历史」可能更有用。

需要注意，Raft 这次是 source-available，并非传统意���上的开源。FSL-1.1-ALv2 允许用户查看、运行和修改代码，但禁止拿它提供与 Raft 竞争的商业产品或服务。每个版本发布两年后，才会自动转为 Apache 2.0。

[Melse @MelseCoding]

@bottinogames 这个跳跃的节奏太像当年的Quake3了

[Melse @MelseCoding]

@huhaoai 用high都跑了15分钟？

[Melse @MelseCoding]

@realfxw 另外我想说的就是它新增的ulw-loop和ulw-research我很喜欢，但token成本和效果不成正比，我不具备无限Token的资源，所以我确实无法忽视投入产出比这个问题，更何总它在同一个问题上的产出并不比omp和pi的优秀

[Melse @MelseCoding]

@realfxw 可能我没有表达清楚，我其实从omo早期就很喜欢它ulw那套思想，所以一直在跟进，基本1个月会测一次最新版本的效果，最近一次是前天拿一个SaaS的AI动态生成质量优化为场景进行的测试，但是它消耗大的问题一直没有解决，反而还有加重的迹象。如果你深入一些会发现它最近的独立beta版本使用的就是pi底层。

[Melse @MelseCoding]

真车就是这样的，只是作为一个家长我看到的���子没有安全座椅也没有安全带

[darlene.net @darlenenet404]

Aren't you concerned that the left window is going at like 270km/h and the right window only at like 50km/h?

[Melse @MelseCoding]

我认为各大模型厂应该认真考虑一下取消thinking effort分级，现在的分级看起来就像是以前模型没能力分辨任务的复杂度做出的妥协方案，另外从harness和应用场景角度，取消分级对用户体验的收益极大，无论从成本角度还是时间消耗的角度。